Agentic Commerce – Gefunden werden reicht nicht

Ein gepflegter Onlineshop schafft die Voraussetzungen dafür, Produkte zu finden und zu vergleichen. Für eine verlässliche KI-gestützte Kaufberatung reicht das jedoch nicht aus. Sobald ein Assistent aus einer Kundenanfrage eine Empfehlung ableitet, muss er beurteilen können, ob ein Produkt für den vorgesehenen Einsatz geeignet ist. Für Hersteller und Händler stellt sich damit eine weitergehende Frage: Sind ihre Produktinformationen so aufbereitet, dass KI-Systeme auch Anforderungen, Einschränkungen und fehlende Angaben berücksichtigen können?

Wie anspruchsvoll diese Aufgabe ist, zeigt der am 5. November 2026 veröffentlichte Agentic-Commerce-Benchmark von Visa. In der ersten Testrunde bearbeiteten 22 KI-Modelle aus zwölf Laboren 15 Einkaufsszenarien. Sie mussten die Anforderungen der Kunden im Gespräch ermitteln und eine begründete Kauf- oder Nichtkaufentscheidung treffen. 42,8 Prozent der Testläufe bestanden diese Anforderungen nicht. Die Zahl gilt für diese definierten Testszenarien; sie ist keine allgemeine Fehlerquote für Agentic Commerce. Checkout, Zahlung und Bestellabwicklung waren noch nicht Teil der Untersuchung, ebenso wenig die Auffindbarkeit von Produkten in KI-Systemen.

42,8 % der Testläufe im Visa Agentic Commerce Benchmark bestanden die Anforderungen nicht.

Für uns ist der Benchmark ein Anlass, die Voraussetzungen zuverlässiger Produktberatung genauer zu betrachten. Unsere Schlussfolgerung für den B2B-Commerce: Wer KI in Beratung und Vertrieb einsetzen möchte, sollte neben der Leistungsfähigkeit des Modells prüfen, welche fachliche Entscheidungsgrundlage ihm zur Verfügung steht. Der folgende hypothetische Anwendungsfall veranschaulicht diese Überlegung.

Produktwissen muss die konkrete Anwendung abbilden

Ein Kunde im technischen Großhandel sucht einen Ersatzschlauch für die Hydraulikanlage seiner Presse. Anschluss und Länge sollen unverändert bleiben. Ein KI-Assistent findet mehrere Produkte mit passenden Abmessungen, eines davon ist besonders günstig und sofort lieferbar. Für eine belastbare Empfehlung fehlen jedoch wesentliche Angaben: Betriebsdruck, Hydraulikmedium, Temperaturbereich, genaue Anschlussausführung und erforderliche Herstellerfreigaben. Der formal passende Katalogtreffer könnte für den Einsatz ungeeignet sein. Ein verlässlicher Assistent müsste diese Angaben nachfragen oder eine fachliche Prüfung veranlassen, bevor er eine Empfehlung ausspricht.

Das Beispiel zeigt, warum Produktwissen über die Beschreibung einzelner Merkmale hinausgehen muss. Ein Produktdatenblatt beschreibt einen Schlauch; seine Eignung lässt sich erst im Zusammenhang mit der Maschine und den Betriebsbedingungen beurteilen. Die dafür benötigten Informationen können über Produktattribute, technische Datenblätter, Anwendungshinweise und das Wissen erfahrener Mitarbeitender verteilt sein. Unsere Empfehlung ist, diese Informationen strukturiert zusammenzuführen, ihre Herkunft nachvollziehbar zu halten und die Beziehungen zwischen Produkt, Einsatzgebiet und Einschränkungen abzubilden.

Im B2B-Commerce gehören außerdem kundenspezifische Konditionen, Berechtigungen und aktuelle Verfügbarkeiten zu einer vollständigen Entscheidungsgrundlage. Ein KI-System benötigt deshalb für jede Anfrage die relevanten Produktinformationen zusammen mit dem konkreten Kunden- und Anwendungskontext. Sind aktuelle Daten zur installierten Anlage, ihrem Modell und den verbauten Komponenten vorhanden und für den jeweiligen Zugriff freigegeben, lassen sie sich mit dem Produktwissen verknüpfen, damit ein KI-Agent beispielsweise passende Ersatzteile identifizieren kann. Fehlen dafür Angaben, muss der Agent diese gezielt nachfragen oder eine fachliche Prüfung veranlassen. Diese Informationen müssen aktuell gehalten und auf ihre Verlässlichkeit geprüft werden. Eine einmalige Anreicherung des Produktkatalogs genügt dafür nicht; erforderlich sind klare Zuständigkeiten für Pflege, Aktualisierung und fachliche Prüfung.

Verlässliche Empfehlungen entstehen im Zusammenspiel von Wissen und Prozessen

Auch eine bessere Informationsgrundlage garantiert noch keine richtige Empfehlung. Der Assistent muss erkennen, welche Angaben fehlen, geeignete Quellen heranziehen und Unsicherheit deutlich machen. Preise, Verfügbarkeit und kundenspezifische Konditionen sollten aus den jeweils zuständigen Systemen kommen. Technische Prüfregeln und Freigaben müssen im Prozess verbindlich durchgesetzt werden, statt allein der Interpretation des Modells überlassen zu bleiben. Bei sicherheitsrelevanten Anwendungen gehört eine qualifizierte fachliche Prüfung dazu.

Für die Umsetzung empfehlen wir daher, Produktwissen, Systemintegration und Qualitätssicherung gemeinsam zu planen. Entscheidend ist, welche Informationen der Assistent in einer konkreten Situation nutzen darf, wie aktuell sie sind und wann eine Entscheidung an einen Menschen übergeben werden muss. Diese Anforderungen sollten bereits bei der Auswahl des Anwendungsfalls feststehen. So lässt sich im Test nicht nur die Qualität einer Antwort beurteilen, sondern auch, ob der zugrunde liegende Ablauf zuverlässig funktioniert.

Mit einem klar abgegrenzten Anwendungsfall beginnen

Ein sinnvoller Einstieg ist eine ausgewählte Produktgruppe mit typischen Kundenfragen aus Vertrieb, Beratung und Service. An diesen Fällen lässt sich prüfen, ob der Assistent geeignete Produkte findet, Einschränkungen berücksichtigt und fehlende Angaben gezielt nachfragt. Ebenso wichtig sind Situationen, in denen keine Empfehlung möglich ist: Das System sollte auf eine unzureichende Informationsgrundlage hinweisen und den vorgesehenen nächsten Schritt einleiten. Daraus entsteht eine konkrete Grundlage, um Lücken in Produktinformationen, Schnittstellen und Prüfprozessen zu priorisieren.

Unternehmen müssen dafür nicht sofort ihre gesamte Commerce-Architektur umbauen. Sie sollten zunächst festlegen, welche Beratungsaufgabe sie verbessern wollen und woran sie deren Qualität messen. Die Ergebnisse eines solchen Tests zeigen, welche Grundlagen bereits tragfähig sind und wo nachgebessert werden muss. Aus unserer Sicht liegt darin der praktikable Weg zu Agentic Commerce: fachlich überprüfbare Anwendungsfälle entwickeln und auf dieser Basis schrittweise erweitern.

Bei mediawave unterstützen wir Unternehmen dabei, diese Voraussetzungen zu prüfen und die nächsten Schritte zu planen, von der Auswahl geeigneter Anwendungsfälle über Produktdaten und Integration bis zur Qualitätssicherung. Unser Value Booster als Plattform für Composable Commerce und AI bildet den Rahmen, um bestehende Systeme mit passenden KI-Anwendungen zu verbinden. Die folgende Grafik zeigt mit der AI Product Knowledge Factory ein schematisches Zielbild für einen Produktdaten-Anwendungsfall auf Basis der Value Booster AI Foundation.

Produktwissen für KI-Systeme aufbereiten

Mit der AI Product Knowledge Factory zeigen wir, wie Unternehmen ihre Produktinformationen auf Basis unserer Value Booster AI Foundation für Shop, Suche und KI-Anwendungen aufbereiten können. Bei einem Hydraulikschlauch gehören dazu neben Artikelnummer und Abmessungen auch Betriebsdruck, geeignete Medien, Temperaturbereiche, Anschlussausführungen und belegte Einsatzgrenzen. Diese Informationen werden aus PIM, ERP und technischen Dokumenten zusammengeführt, mit ihren Quellen verknüpft und fachlich geprüft.

Im dargestellten Ablauf wählen Mitarbeitende im AI Control Center die betreffende Produktgruppe aus, starten die Aufbereitung und prüfen Vorschläge. Models, Tools & Integration bindet die Datenquellen und Zielsysteme an und stellt die benötigten Modelle bereit. Agent Runtime & Orchestration koordiniert die Schritte vom Einlesen über die Extraktion und Strukturierung bis zur Freigabe. Knowledge & Memory stellt das aufbereitete Produktwissen, seine Quellen und fachlichen Beziehungen für die weitere Nutzung bereit.

Drei weitere Elemente begleiten den gesamten Ablauf: AI Governance & Security regelt Zugriffe und Freigaben, Testing & Evaluation prüft Vollständigkeit und fachliche Korrektheit anhand definierter Produktfälle, und Observability & FinOps macht Fehler, Bearbeitungszeiten und Verarbeitungskosten sichtbar. Freigegebene Informationen könnten anschließend in das PIM zurückfließen und über geeignete Produktseiten, Feeds oder Schnittstellen bereitgestellt werden. Das verbessert die Voraussetzungen für AI-Auffindbarkeit; ob externe KI-Systeme ein Produkt tatsächlich berücksichtigen, hängt zusätzlich von deren Zugang, Datenübernahme und Auswahlverfahren ab.

Die folgende Darstellung zeigt beispielhaft den Bearbeitungsbereich für das Produktdaten-Onboarding mit integrierter Navigation anhand von Demo-Daten: Produktdaten hochladen, offene Prüfungen fortsetzen und das Datenmodell gestalten.

Mit der nächsten Phase des Agentic Commerce dürfte die Qualität der Entscheidungsgrundlage stärker zum Wettbewerbsfaktor werden. Aus unserer Sicht sind dabei Unternehmen im Vorteil, die ihr Produktwissen verlässlich pflegen, für konkrete Kundenanforderungen nutzbar machen und die darauf aufbauenden Prozesse steuern können. Wer diese Voraussetzungen heute schafft und an realen Beratungsfällen überprüft, ist besser darauf vorbereitet, KI schrittweise in weitere Aufgaben einzubinden und dabei die fachliche Kontrolle zu behalten.

Wenn Sie prüfen möchten, wie gut Ihre Produktinformationen und Prozesse für KI-gestützte Beratung vorbereitet sind, sprechen Sie uns gerne an. Gemeinsam können wir einen geeigneten Anwendungsfall und überprüfbare nächste Schritte definieren.